【技术实现步骤摘要】
基于深度学习的主动配电网电压控制方法、系统及介质
[0001]本专利技术涉及配电网优化
,特别涉及一种基于深度学习的主动配电网电压控制方法、系统及介质。
技术介绍
[0002]随着大规模分布式电源、储能设备、主动负荷等分布式能源设备并网,传统配电网向新型的主动配电网转变,影响电网电能质量、安全运行等多个方面,同时也为配电网规划、优化、控制、管理等带来巨大挑战。同时,当今社会对电能质量、网络损耗、资源利用率、电力系统运行安全性等方面也提出了更高的要求。
[0003]现有技术中存在多种解决主动配电网优化控制问题的解析算法和智能算法,然而这些算法普遍存在优化目标单一,无法适应复杂的网络结构的问题。部分精度较高的算法在响应速度、求解速度上仍存在较大上升空间。在实际调度时,配电网运行状态时刻发生变化,单一时间尺度下的控制策略在预测精度不足及运行状态突变的情况下,控制精度不足。因此,亟需提出一种适配电网结构、在保证建模精度的同时,具有较快求解速度的主动配电网电压控制方法。
技术实现思路
[0004]有鉴于此,本专利技术的第一个目的在于提供一种基于深度学习的主动配电网电压控制方法,通过在配电网中建立分布式电源与储能系统潮流约束模型,并以此为基础进行日前、日内两个时间尺度的主动配电网电压控制,调度分布式电源无功出力及储能系统充、放电,并采用深度学习长短期记忆网络作为求解算法,在脱离复杂的数学模型的情况下,保证优化控制的精度,同时可以实现快速调度。
[0005]基于同样的专利技术构思,本专利技术的 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的主动配电网电压控制方法,其特征在于,包括以下步骤:建立分布式电源与储能系统潮流约束模型;根据分布式电源与储能系统潮流约束模型,以节点电压偏差最小及网络损耗最小作为优化目标,建立日前调度框架;获取配电网数据,使用深度学习长短期记忆网络求解日前调度计划;根据分布式电源与储能系统潮流约束模型和日前调度计划,以节点电压偏差最小及网络损耗最小作为优化目标进行日内调度。2.根据权利要求1所述的基于深度学习的主动配电网电压控制方法,其特征在于,获取配电网数据,使用深度学习长短期记忆网络求解日前调度计划,包括以下步骤:获取以一小时为时间尺度预测的未来24小时负荷数据和分布式电源发电数据;根据未来24小时负荷数据和分布式电源发电数据,使用深度学习长短期记忆网络计算每个时段内分布式电源无功出力值,得到分布式电源调度计划;判断优化后的网络各时段节点电压是否在限制范围内,若否,则判断此时段为电压越限时段,并根据越限情况生成储能系统充电或放电调度计划。3.根据权利要求1所述的基于深度学习的主动配电网电压控制方法,其特征在于,根据分布式电源与储能系统潮流约束模型,以节点电压偏差最小及网络损耗最小作为优化目标,建立日前调度框架步骤中,节点电压偏差F1的表达式为:其中,n为配电网节点总数,U为节点电压值,下标为节点索引,U
N
为电压额定值;网络损耗F2的表达式为:其中,B为配电网支路的集合,i、j分别表示支路首、末端节点,G
′
ij
为支路ij的导纳,θ
ij
为节点i、j电压的相角差。4.根据权利要求2所述的基于深度学习的主动配电网电压控制方法,其特征在于,根据未来24小时负荷数据和分布式电源发电数据,使用深度学习长短期记忆网络计算每个时段内分布式电源无功出力值,得到分布式电源调度计划步骤中,约束条件包括潮流约束,分布式电源出力边界条件约束,以及节点电压和支路有功功率约束。5.根据权利要求4所述的基于深度学习的主动配电网电压控制方法,其特征在于,潮流约束的表达式为:其中,n为配电网节点总数,U为节点电压值,下标为节点索引,P
DGi
为节点i处分布式电
源的有功功率,Q
DGi
为节点i处分布式电源的无功功率,P
di
为节点i处的有功负荷,Q
di
为节点i处的无功负荷,G
ij
为节点i、j之间支路的电导,B
ij
节点i、j之间支路的电纳,θ
ij
为节点i、j电压的相角差。6.根据权利要求5所述的基于深度学习的主动配电网电压控制方法,其特征在于,节点电压和支路有功功率约束的表达式为:其中,P
ij
为节点i...
【专利技术属性】
技术研发人员:何嘉兴,周凤翔,张敏,杨帆,王红斌,方健,
申请(专利权)人:广东电网有限责任公司广州供电局,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。